Big Data: the Management Revolution

PROGRAMA DE BIG DATA Y
BUSINESS INTELLIGENCE
Big Data: the Management Revolution
Alex Rayón Jerez
alex.rayon@deusto.es
@alrayon
Febrero, 2016. Madrid.

2
Fuente: http://www.amazon.es/dp/1118965833/ref=asc_df_111896583332101237/?tag=googshopes-
21&creative=24538&creativeASIN=1118965833&linkCode=df0&hvdev=c&hvnetw=g&hvqmt=

5
Índice de contenidos
●Clarificando conceptos
●Impacto Big Data
●Dirección estratégica basada en datos
●Tratamiento y gestión de datos
●Implantación sistema Big Data

6
●Impacto Big Data

7
Clarificando conceptos
Las 5 V’s del Big Data
Fuente: http://www.dreamstime.com/stock-photography-big-data-v-words-image35236832

8
Data Science
Fuente: http://www.slideshare.net/TechnetFrance/rec201-mstechdaysfinal130213033305phpapp02-19779391

9
Drivers of Big Data

10
Economía digital
● La sociedad se ha tecnificado, y estamos cada
vez más interconectados
○ Se habla de las redes sociales
● A eso unámosle que el coste computacional es
cada vez menor
○ Menor coste de producción
● Cada vez se están digitalizando más procesos y
actividades de nuestro día a día
○ Generaremos cada vez más datos

11
Economía digital (II)
En la actividad digital, todo
genera un dato
Tarjetas de crédito
Teléfonos móviles
Redes sociales
Proveedores de Internet
Tarjeta de fidelización de
mercado
...
Fuente: http://www.privacidadlogica.es/2012/05/31/modelo-de-informe-sobre-sistema-de-control-horario-basado-en-huella-digital/

12
Fuente: http://www3.weforum.org/docs/WEF_ITTC_PersonalDataNewAsset_Report_2011.pdf
Economía digital (III)

13
Fuente: http://www.theguardian.com/news/datablog/2014/apr/22/how-much-is-personal-data-worth
Economía digital (IV)

14
Big Data vs. Business Intelligence
Business Intelligence
Big Data

15
Big Data vs. Business Intelligence (II)
●No obtiene respuestas
quién posee los datos, sino
quien sabe hacer las
preguntas
●Una disciplina que tiene un
objetivo a medio plazo
o La herramienta de la estrategia
y de la dirección
o Busca dar respuestas a
preguntas concretas y
formuladas a priori analizando
datos
Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/

16
Big Data vs. Business Intelligence (III)
●Por contra, Big Data, básicamente consiste en
analizar masivamente datos "a ver si sale algo"
●Esto último tiene problemas obvios
o Me pueden salir correlaciones o relaciones espúreas o sin
fundamento ni sentido (si analizamos la aparición del
cambio climático y la desaparición de los piratas, la
correlación es muy alta, y su sentido ninguno)
o Un campo que permite aprovechar el dato a corto plazo
buscando patrones, inferencias, etc., entre los datos, sin
ningún objetivo a priori concreto

17
Big Data vs. Business Intelligence (IV)

18
En 1989, Howard Dresner, un investigador
de Gartner Group, popularizó el acrónimo
de BI (Business Intelligence) para indicar
“El conjunto de conceptos y métodos para
mejorar la toma de decisiones en los
negocios, utilizando sistemas de apoyo
basado en hechos”

19
●Impacto Big Data

20
Impacto Big Data
El impacto en los negocios
● Los beneficios que una empresa puede obtener
son claros:
○ Conocimiento de sus clientes, mercados, productos, etc,
○ Redundando esto en nuevos mercados, nuevos
segmentos
○ Alineamiento de la empresa a los clientes
○ ...
● En definitiva nuevos ingresos y ahorros

21
Impacto Big Data
El impacto en los negocios (II)
Oportunidades que se enmarcan en la era de la
personalización y especialización que demanda un
cliente exigente e informado
Fuente: http://www.luxortec.com/blog/camino-a-una-estrategia-centrada-en-el-cliente/

22
Impacto Big Data
El impacto en los negocios (III)
● La oportunidad de explotar el dato aparece
cuando muchas empresas se dan cuenta que
tienen muchos datos en diferentes sistemas y
archivos (ERP, CRM, hojas de cálculo, redes
sociales, etc), y no lo explotan
● Y aquí el principal problema está en que no hay
una "explotación cerrada"
○ Es decir, no hay un conjunto de utilidades o preguntas
tipo
○ Hay tantos enfoques prácticamente como empresas

23
1) Ganar más dinero
2) Evitar perderlo
3) Optimizar procesos
Impacto Big Data
El impacto en los negocios (IV)

24
Impacto Big Data
Casos reales

25
Impacto Big Data
Casos reales (II)

26
Impacto Big Data
Casos reales (III)

27
Impacto Big Data
Casos reales (IV)

28
Impacto Big Data
Maturity model
Fuente: https://www.gartner.com/doc/713210

29
Impacto Big Data
Business Intelligence vs. Business Analytics

30
Impacto Big Data
Business Intelligence vs. Business Analytics (II)
Fuente: http://i.ytimg.com/vi/oNNk9-tmsZY/hqdefault.jpg
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)

3131
●Estudiar datos tiene dos objetivos principales
o Informar
§ ¿Qué ha ocurrido?
o Predecir
§ ¿Qué podría ocurrir?
Hoy
Business Analytics
Predecir
Informar
Impacto Big Data
Business Intelligence vs. Business Analytics (III)

32
Modelo EFQM de Excelencia
Fuente: http://www.tqm.es/TQM/ModEur/ModeloEuropeo.htm
Impacto Big Data
Procesos funcionales de aplicación

33
●Impacto Big Data

34
Dirección estratégica
Data-Driven Organization
Roadmap to Data-Driven Organization advantage
Fuente: http://www.ibmbigdatahub.com/blog/observations-transformations-and-conversations-ibm-chief-data-officer-summit

35
Data-Driven Organization (II)

36
Data-Driven Organization (III)
Fuente: http://www.forbes.com/sites/piyankajain/2012/06/22/what-is-your-organizations-analytics-maturity/#55ada95c58f2

37
Data-Driven Organization (IV)
El riesgo estratégico
causa el 68% de
disminución de la
capitalización de
mercado

38
¿Qué es la Dirección Estratégica basada en datos?
●Habitualmente, las decisiones operativas y
tácticas, son muchas y pequeñas, con datos
suficientes a priori sobre los cuales construir
una base de conocimientos
●La decisiones estratégicas, en cambio, son
generalmente poco frecuentes, cada una de gran
valor, con pocos datos formales de decisiones
previas similares y que requieren conocimientos
de negocios y el balance de las compensaciones

39
¿Qué es la Dirección Estratégica basada en datos? (II)
●Debilidades
o El proceso de obtener información relevante
o El proceso de reutilización del conocimiento existente y
el evitar el problema de inventar continuamente
o El proceso de tomar buenas decisiones rápidamente
§ Es decir, ni tomar malas decisiones rápidamente ni
tomar decisión en absoluto
o Habiendo tomado una decisión, el proceso de convertir
la decisión en acción
§ Es lo que se llama la prescripción, fin último de un
proyecto Big Data

40
Diagnóstico e indicadores

41
Toma de decisiones
●La toma de
decisión implica
o Comprender bien
los factores claves
de la decisión y
cómo éstos afectan
a la decisión
o Solo procesar la
información
relevante para la
decisión
Fuente: http://eprojectingenieria.com/doc/PresentTema7.pdf

42
Evidence-Based Management

43
Evidence-Based Management (II)
“Trasladar los principios
basados en la mejor
evidencia, a las prácticas
organizacionales”

44
Evidence-Based Management (III)
Es muy similar, en su esencia, al ciclo de
aprendizaje o de solución de problemas,
repetido por numerosos autores bajo distintos
esquemas
Ciclo de Shewhart o de Deming
Ciclo de aprendizaje de Kolb
etc.
Consiste en:
Planteamiento de un problema
La selección de la o las mejores soluciones
La aplicación de las mismas

45
Evidence-Based Management (IV)
Aprender acerca de las conexiones causa-efecto en
las prácticas profesionales
Establecimiento de metas y capacidad cognitiva
Aislar las variaciones que afectan los resultados
deseados de manera sensible
El número de metas puede importar
Cultura de toma de decisiones basada en
evidencias

46
Evidence-Based Management (V)
Construcción de apoyos de decisión para promover
prácticas que soporten la evidencia
Por ejemplo, especificidad, margen de tiempo para las
metas
Compartir información común para reducir el
sobre-uso, el bajo uso y el mal uso de prácticas
organizacionales y administrativas

47
Evidence-Based Management (VI)
Hay áreas específicas donde la administración
basada en evidencias puede ayudar a superar
creencias ampliamente sostenidas, pero que no
cuentan con el suficiente sustento empírico:
Liderazgo, la estrategia, el cambio, el talento, los incentivos
financieros y una vida laboral balanceada.
Estos mismos autores han creado, además, su
propio sitio web:
www.evidence-basedmanagement.com

48
Evidence-Based Management (VII)
Cinco principios de la ABE
1. Enfrente los “hechos duros” y construya una cultura en la cual se
aliente a las personas a decir la verdad, aunque ésta no sea
agradable
2. Comprométase con la toma de decisiones basada en hechos, lo que
significa comprometerse a obtener la mejor evidencia posible y
utilizarla como guía para las acciones
3. Trate su organización como un prototipo, inconcluso aliente la
experimentación y el aprendizaje activo
4. Vigile los riesgos y los inconvenientes en lo que la gente recomienda,
incluso la mejor medicina tiene sus efectos colaterales
5. Evite basar las decisiones en creencias fuertemente sostenidas pero
no probadas, en lo que hizo en el pasado o en el Benchmarking no
crítico de lo que hacen los ganadores

49
Evidence-Based Management (VIII)
Fuente: Las etapas del modelo de Sackett et al.

50
Evidence-Based Management (IX)

51
Evidence-Based Management (X)

52
Evidence-Based Management (XI)

53
Simulador
Fuente: http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecast.htm y http://home.ubalt.edu/ntsbarsh/stat-
data/Javastat.htm

54
Simulador

55
●Impacto Big Data

56
Tratamiento y gestión datos
Pirámide informacional
Fuente: http://mundotrading.net/2014/05/01/hoy-tenemos-mucha-informacion-pero-somos-mas-cultos/

57
●El dato por si solo nos aporta poco…
o 2.000 visitantes únicos en mi tienda online
o 1.000 nuevos usuarios en mi aplicación
o 10% nuevos clientes en mi exposición
o 24 conversiones de las campañas de captación
o 3.000 € de incremento del tamaño de la transacción
media de ticket de compra
o ...
Del dato...

58
Falta contexto → circunstancias
Fecha
Dispositivo/canal
Geolocalización
Fuente
Tendencia/Perspectiva
...
Del dato… (II)

59
El dato puesto en valor → inteligencia de negocio
… al conocimiento
Fuente: http://www.esan.edu.pe/conexion/actualidad/2013/04/12/inteligencia-negocios-empresa/

60
Fuentes de datos
Source: http://www.bigdata-startups.com/BigData-startup/understanding-sources-big-data-infographic/

61
Clasificación
Source: http://www.slideshare.net/microlife/bigdata-cloudcomputingvietstack

62
Resolución de problemas
Problemas
Predictivos
(supervisados)
Descriptivos
(no supervisados)
Clasificación
Regresión
Análisis correlacional
Agrupamiento
Reglas asociación

63
Resolución de problemas (II)

64
La puesta en valor del dato
Datos Analíticas Puesta en valor
Modelo predictivo de previsión de compras: eficiencia transporte, ahorro portes, evitar roturas stock, etc.
Modelo predictivo de ventas: sugerencia compras, etc.
Rutas óptimas según cargas, productos y zona: en base a pedidos, etc.
Product clustering: incluso, personalización.
Análisis de compras
...“Sensores” para la
captura de datos
Real Time
→ Conocer estado producto en
tiempo real, avisar ruptura stock,
etc.
Marketing
→ Segmentación clientes
→ Dashboard hot spots
→ Alertas variaciones (clientes,
productos, zonas, etc.)
→ Detección mermas, robos, etc.

65
1) Ganar más dinero
Marketing intelligence
La idea es analizar la parte más
transaccional (de compra - venta)
con las acciones de marketing
Con este dúo, sacamos acciones
de marketing con objetivos,
personalizado e hipersegmentado
Fuente: http://www.boats.com/boat-content/2010/page/152/

66
1) Ganar más dinero (II)
●Se trata de analizar los datos:
o Contextuales de una compra → momento, lugar,
composición de la cesta de la compra
o Lo enmarcamos en perspectiva → frecuencia, tiempo
entre última compra, etc.
o Analizamos el cliente → si lo hace con tarjeta de
fidelización, edad y perfil sociodemográfico, si viene
incentivado por un descuento, etc.
o Y el canal por el que entra → online -tienda online,
landing page, redes sociales, etc- u offline
●… y preguntarnos cosas como...

67
1) Ganar más dinero (III)
Segmento y perfil de cliente que más compra a una
hora determinada y en un lugar concreto
Fuente: http://es.slideshare.net/Elife2009/perfil-del-consumidor-de-bebidas-alcohlicas-en-mxico

68
1) Ganar más dinero (IV)
Quién (influenciadores) o qué (drivers de compra)
influye más en la decisión de compra de un cliente
→ drivers
Fuente: http://www.marketing4food.com/la-distribucion-espanola-y-su-comprador-razones-para-elegir-una-ensena/

69
1) Ganar más dinero (V)
Qué relación de
productos permite
modelizar el perfil
de cliente
Fuente: http://www.elmundodeladc.com/cual-es-tu-perfil-online/

70
1) Ganar más dinero (VI)
¿Cuál es la estructura de mi marca?
Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext

71
1) Ganar más dinero (VII)
Reglas de asociación de
productos como "Si
compra foie, también
adquiere vino crianza", y
así enfocar el cross-selling
o up-selling en tienda o en
promociones, product
placement, gestión de
inventarios, etc.
Expresión de la forma
X → Y
{pañales} → {cerveza}
{cerveza} → {pañales}
{pan, leche} → {huevos}
{pan} → {leche, huevos}
Fuente: http://noticias.buscopisocasa.com/category/alimentacion-2/

72
1) Ganar más dinero (VIII)
MROI: Marketing Return on Investment
McKinsey review: “An integrated analytics approach could save up to 15-20% total budget”
Source: http://www.thecmosite.com/author.asp?section_id=1137&doc_id=234474

73
1) Ganar más dinero (IX)
Clusterizar clientes y productos
Source: http://inside-bigdata.com/2013/12/18/tech-tip-power-pitfalls-clustering/
Source: http://www.cs.bilkent.edu.tr/~saksoy/research.html

74
1) Ganar más dinero (X)
¿Cómo están relacionados mis clientes?
Análisis de Redes Sociales (ARS)
Source: http://rs.resalliance.org/2010/11/03/reading-list-using-social-network-analysis-sna-in-social-ecological-studies/

75
2) Evitar perderlo
● En segundo lugar, las
empresas también
queremos evitar perder
clientes
● Ya conocemos el famoso
mantra de la importancia
que tiene mantener
clientes por el coste que
tiene adquirir nuevos
o Y esto es más posible que
nunca gracias al análisis
masivo de datos
Fuente: http://javiermegias.com/blog/2012/04/el-motor-de-tu-modelo-de-negocio-coste-de-adquisicion-y-valor-del-
cliente/

76
2) Evitar perderlo (II)
Perfil de fuga de cliente
Fuente: http://idata.com.co/

77
2) Evitar perderlo (III)
Fuente: http://tristanelosegui.com/2011/02/27/el-embudo-de-fidelizacion-como-herramienta-para-optimizar-campanas/
¿Cómo generar lealtad y preferencia hacia mi
producto?

78
2) Evitar perderlo (IV)
Customer Experience
Fuente: https://www.karelgeenen.nl/15/hoe-kan-de-customer-journey-jou-helpen-bij-je-online-strategie/

79
2) Evitar perderlo (V)
Lead generation, Nurturing and Scoring
Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/

80
Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html
2) Evitar perderlo (VI)

81
Fuente: http://www.slideshare.net/saurabhsawhney/customer-experience-management-cem
2) Evitar perderlo (VII)

82
●Recency
o Cuán reciente es la última compra del cliente
●Frequency
o Con cuánta frecuencia compra el cliente
●Monetary
o Cuánto gasta el cliente
●Esta técnica de análisis está basada en el axioma
de marketing de que el 80% del negocio procede
del 20% de los clientes
2) Evitar perderlo (VIII)

83
Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing
2) Evitar perderlo (IX)

84
3) Optimizar procesos
Creación de
modelos
que
permitan
ahorrar
esfuerzo
económico
en
diferentes
procesos
Fuente:
http://www.indiana.edu/~hmathmod/modelmodel.html
Mathematical models
+
Statistical methods

85
3) Optimizar procesos (II)
●Supongamos la logística o la gestión de una
central de compras
●Si yo integro todas las transacciones de compras,
y analizo frecuencia, proveedores, descuentos,
etc., podemos hacer un modelo que nos
seleccione en tiempo real el mejor proveedor o
distribuidor por descuentos que viene haciendo
históricamente, considerando lo que ahora
quiera comprar

86
●Impacto Big Data

87
Implantación
Esquema general

88
Gartner's Magic Quadrant for Business Intelligence and Analytics Platforms
Implantación
¿Soluciones?

89
Implantación
Cuadros de mando analíticos
Fuente: http://www.bi-spain.com/articulos.php?id_seccion=146&opinion=0&esenciales=0

90
Implantación
Cuadros de mando analíticos (II)
●Visual
o Recursos gráficos de forma inteligente
●Todo en una hoja
o Concentrar y llamar la atención
●Solo factores clave
o Ir al grano y enfocar el análisis → optimización
●Contener ideas y comentarios
o Identificar oportunidades y problemas

91
Visualización de la inteligencia en BI
Fuente: https://public.tableau.com/s/gallery/diversity-post-secondary-education-us
Implantación
Cuadros de mando analíticos (III)

Bibliografía
92
Bock, W. (s/f). Evidence-based Management has Issues.
http://blog.threestarleadership.com/2007/08/25/evidencebased-management-
has-issues.aspx
Edelberg, G. (2000). “Evidence-based Management”, en INCAE.
http://www.guillermoedelberg.com.ar/pdf/117.pdf
García del Junco, J. y Casanueva Rocha, C. (2000). “Administración basada en la
evidencia (ABE): una nueva herramienta para el directivo”, en Dirección y
Organización (D-O), núm. 24, pp. 21-29. Universidad Politécnica de Madrid.
Pariente Fragoso, J. L. (noviembre, 2008). “Gestión basada en evidencias. ¿Una
nueva moda administrativa?”. Conferencia inaugural de la III Cátedra Nacional de
Contaduría y Administración Agustín Reyes Ponce. UASLP.
Rousseau, D. M. (2006). “Is There Such a thing as Evidence-based Management?”, en
Academy of Management Review, vol. 31, núm. 2, pp. 256–269.
Whitehurst, G. (s/f). “Evidence Based Education”.
http://www.ed.gov/offices/OERI/presentations/evidencebase.html
Online course: http://www.aryng.com/Online-Analytics-Training/DTD102-Business-
Impact-Through-Analytics.html

Copyright (c) 2016 University of Deusto
This work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative
Commons “Attribution-ShareAlike” License. To view a copy of this license, visit
http://creativecommons.org/licenses/by-sa/3.0/
Alex Rayón Jerez
Febrero 2016

Big Data: the Management Revolution

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Destacado

Destacado (10)

Similar a Big Data: the Management Revolution

Similar a Big Data: the Management Revolution (20)

Más de Alex Rayón Jerez

Más de Alex Rayón Jerez (8)

Último

Último (20)

Big Data: the Management Revolution